ΑΝΑΛΥΣΗ ΕΙΚΟΝΩΝ, ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΟΡΑΣΗ ΥΠΟΛΟΓΙΣΤΩΝ ΣΤΗΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗ: ΜΕΘΟ ΟΙ ΚΑΙ EΦΑΡΜΟΓΕΣ

Transcript

1 ΑΝΑΛΥΣΗ ΕΙΚΟΝΩΝ, ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΟΡΑΣΗ ΥΠΟΛΟΓΙΣΤΩΝ ΣΤΗΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗ: ΜΕΘΟ ΟΙ ΚΑΙ EΦΑΡΜΟΓΕΣ Αργιαλάς., Καράντζαλος Κ., Μαυραντζά, Ο., Νούτσου Β., Τζώτσος Α., Κουτρούµπας Γ. Εργαστήριο Τηλεπισκόπησης, Τµήµα Αγρονόµων και Τοπογράφων Μηχανικών, Εθνικό Μετσόβιο Πολυτεχνείο, Ζωγράφου ΛΕΞΕΙΣ ΚΛΕΙ ΙΑ: Αστικός χώρος, εξαγωγή φωτογραµµώσεων, AVIRIS, υπερφασµατικά δεδοµένα, εξαγωγή ακµών, ανισοτροπικό φιλτράρισµα, ανάλυση κυµατιδίων, κατάτµηση, αντικειµενοστραφής ταξινόµηση, διακριτή ανάλυση, διαχωριστικές επιφάνειες ΠΕΡΙΛΗΨΗ: Για την ενίσχυση ανθρωπογενών χαρακτηριστικών και εξαγωγή ελαιοδέντρων αναπτύχθηκαν ανισοτροπικά φιλτραρίσµατα. Για τη χαρτογράφηση φωτογραµµώσεων διερευνήθηκαν βέλτιστοι αλγόριθµοι εξαγωγής ακµών. Για δορυφορικές εικόνες µε θόρυβο χρησιµοποιήθηκε επιτυχώς ένα σχήµα ανίχνευσης ακµών µε χρήση ανάλυσης κυµατιδίων. Για την αναγνώριση σηµασιολογικών αντικειµένων όπως γεωµορφών αλλά και στοιχείων του αστικού χώρου υλοποιήθηκε ένα συνδυασµός κατάτµησης και αντικειµενοστραφούς ταξινόµησης. Για την ταξινόµηση υπερφασµατικών δεδοµένων AVIRIS χρησιµοποιήθηκαν αλγόριθµοι εξαγωγής χαρακτηριστικών µε διαχωριστικές επιφάνειες και µε διακριτή ανάλυση. Όλοι οι αλγόριθµοι παρείχαν ικανοποιητικά αποτελέσµατα. IMAGE PROCESSING, PATTERN RECOGNITION AND COMPUTER VISION IN REMOTE SENSING: METHODS AND APPLICATIONS Argialas D., Karantzalos K., Mavrantza Ο., Noutsou V., Tzotsos A., Koutroubas J. Remote Sensing Laboratory, School of Rural and Surveying Engineering, National Technical University of Athens, Zografou KEYWORDS: Urban features, olive trees, lineaments, AVIRIS, hyperspectral data, edge extraction, anisotropic diffusion, wavelet analysis, segmentation, object-oriented classification, discriminant analysis, decision boundaries ABSTRACT: For the enhancement of urban features and extraction of olive trees from IKONOS imagery, anisotropic diffusion filtering algorithms were developed. For lineament mapping, optimal edge detectors were evaluated. For noisy satellite images, a wavelet-based edge detection scheme was used. For identification of semantic image objects such as landforms and urban features, a combination of segmentation and object-oriented classification was employed. For the classification of hyperspectral data, feature extraction algorithms based on decision boundaries and discriminant analysis were used. All algorithms have been evaluated and had satisfactory results. 1

2 1. ΕΝΙΣΧΥΣΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΜΕ ΤΕΧΝΙΚΕΣ ΑΝΙΣΟΤΡΟΠΙΚΗΣ ΙΑΧΥΣΗΣ Η εξαγωγή αντικειµένων µε µεθόδους ανίχνευσης ακµών και κατάτµησης µπορεί να συνδυαστεί µε τεχνικές ενίσχυσης και οµαλοποίησης των ψηφιακών εικόνων. Τα απεικονιζόµενα αντικείµενα των τηλεπισκοπικών απεικονίσεων, εµφανίζουν µεγάλη ετερογένεια, όσον αφορά το µέγεθος τους (δρόµοι, κτήρια, δασικές εκτάσεις, καλλιέργειες, υγρότοποι κλπ.). Εποµένως, για να αυτοµατοποιηθεί η διαδικασία αναγνώρισης οριοθέτησης τους, απαιτούνται επεξεργασίες πολλαπλής ανάλυσης ώστε να ανταποκρίνονται στην πολυπλοκότητα των µεγεθών των αντικειµένων των απεικονίσεων. Η σηµασία της ανάλυσης σε πολλαπλές κλίµακες είχε αναγνωριστεί ήδη από τα πρώτα βήµατα της όρασης υπολογιστών [1]. Η θεωρία των χώρων κλίµακας (scale-spaces), που προτάθηκε από τον Witkin το 1983 [2], έθεσε τα θεµέλια για µια µαθηµατική αντιµετώπιση αυτών των θεµάτων. Από µια αρχική εικόνα I (, ) 0 x y, δηµιουργείται µια συνεχής οικογένεια γκρίζων εικόνων I( x, y, s) συνελίσσοντας την αρχική εικόνα µε έναν Gaussian πυρήνα Gs ( x, y) διακύµανσης s. Λόγω της γραµµικότητας της Gaussian συνάρτησης, ο παραγόµενος χώρος κλίµακας της εικόνας είναι και αυτός γραµµικός (linear scale-space) και όσο µεγαλώνει η τιµή της παραµέτρου s, τόσο πιο θολωµένη ισοτροπικά παρουσιάζεται η εικόνα. Η ισοτροπικότητα των γραµµικών χώρων κλίµακας αποτελεί και το µεγαλύτερο µειονέκτηµά τους, γιατί πέρα από το να εξαλείφουν τα χαρακτηριστικά µικρής κλίµακας, ταυτόχρονα θολώνουν και µετακινούν χωρικά κάποια σηµαντικά χαρακτηριστικά (π.χ. ακµές) στην κλίµακα που µελετάται. Η ισοτροπικότητα οφείλεται στην γραµµικότητα του µοντέλου, που δεν επιτρέπει στη διαδικασία να προσαρµόζεται στα τοπικά χαρακτηριστικά της εικόνας (όρια αντικειµένων) µε τον επιθυµητό τρόπο. Για να αντιµετωπίσουν τα µειονεκτήµατα του Gaussian χώρου κλίµακας οι Perona και Malik πρότειναν το 1990 [3] τη χρήση της εξίσωσης ανισοτροπικής διάχυσης θερµότητας και τη δηµιουργία µη-γραµµικών χώρων κλίµακας. Εικόνα 1: Επάνω Αριστερά: Αρχική εικόνα, Επάνω εξιά: Ανθεκτική ανισοτροπική διάχυση, Κάτω Αριστερά: ASF µορφολογικό φιλτράρισµα, Κάτω εξιά: υαδική εικόνα έπειτα από ανίχνευση ακµών. 2

3 Μια ανθεκτική µέθοδος ανισοτροπικής διάχυσης προτάθηκε και από τους Black και Sapiro το 1998 [4] που χρησιµοποιεί την Tukey s biweight ανθεκτική νόρµα σφάλµατος στην θέση της g. Η µέθοδος αυτή σε συνδυασµό µε την εφαρµογή µορφολογικών φιλτραρισµάτων σε αρκετές περιπτώσεις οδηγεί στην καλύτερη εξαγωγή των ορίων των αντικειµένων [5] (Εικόνα 1). Η ανισοτροπικής διάχυση µε τη µορφή που αυτή προτείνεται από τον Alvarez [6] χρησιµοποιήθηκε και κατά την εξαγωγή ελαιοδέντρων [7] βοηθώντας την σωστή εξαγωγή τους κατά την ανίχνευση κηλίδων (blobs). Τα blobs στην εικόνα είναι τα τοπικά extrema της δεύτερης παραγώγου Laplacian 2 I. Το πρόσηµο της Laplacian 2 2 I οδηγεί στην εξαγωγή λευκών ( I < 0 ) ή µαύρων κηλίδων 2 ( I > 0 ). Αποτελέσµατα από την επιτυχηµένη εφαρµογή του ανισοτροπικού φιλτραρίσµατος για την εξαγωγή ελαιόδεντρων παρουσιάζονται στις Εικόνα 2 και 3. Εικόνα 2: Εξαγωγή και καταµέτρηση αριθµού ελαιοδέντρων. Εικόνα 3: Εξαγωγή και καταµέτρηση αριθµού ελαιοδέντρων. 2. ΧΑΡΤΟΓΡΑΦΙΣΗ ΦΩΤΟΓΡΑΜΜΩΣΕΩΝ ΜΕ ΒΕΛΤΙΣΤΟΥΣ ΑΛΓΟΡΙΘΜΟΥΣ ΕΞΑΓΩΓΗΣ ΑΚΜΩΝ Στην Όραση Υπολογιστών και την Επεξεργασία Εικόνας, η εξαγωγή ακµών είναι µία διαδικασία η οποία πραγµατεύεται τις ασυνέχειες στα φωτοµετρικά, γεωµετρικά και φυσικά χαρακτηριστικά των αντικειµένων µίας εικόνας (ακµές). Ένας αντιπροσωπευτικός βέλτιστος αλγόριθµος ακµών είναι ο αλγόριθµος του Canny, εκτός των αλγορίθµων του Rothwell [8], των Meer and Georgescu [12], κ.α. Στον αλγόριθµο Canny, χρησιµοποιείται η πρώτη παράγωγος της συνάρτησης GAUSS, η οποία θεωρείται βέλτιστο φίλτρο οµαλοποίησης πριν την παραγώγιση. Για την εξασφάλιση συνεκτικών ακµών, χρησιµοποιείται η µέθοδος της αποκοπής των µη-µεγίστων εικονοστοιχείων, κατά την οποία το κεντρικό εικονοστοιχείο θα πρέπει να παρουσιάσει µεγαλύτερη τιµή του µέτρου της κλίσης από τα γειτονικά του εικονοστοιχεία κατά τη διεύθυνση της κλίσης. Τέλος εφαρµόζεται η µέθοδος κατωφλίωσης µε χρήση υστέρησης αντί την επιλογή µίας τιµής κατωφλιού το οποίο θα εφαρµοσθεί σε όλη την εικόνα. Ο αλγόριθµος των Iverson-Zucker [9] αποτελεί µία µέθοδο για τη βελτίωση της λειτουργίας της γραµµικής ενίσχυσης ακµών µε την ενσωµάτωση λογικών ελέγχων για την ύπαρξη µίας ακµής [8]. 3

4 Από την ανασκόπηση της πρόσφατης συναφούς βιβλιογραφίας που αφορά στην εξαγωγή γεωλογικών φωτογραµµώσεων, έχει παρατηρηθεί ότι οι υπολογιστικές µέθοδοι για την εξαγωγή των τεκτονικών, κυρίως, φωτογραµµώσεων βασίστηκαν κατά κύριο λόγο, σε τεχνικές ενίσχυσης ακµών ή τεχνικές εφαρµογής χωρικών φίλτρων (φίλτρων παραγώγου και τελεστών κατεύθυνσης). Όµως, τα γραµµικά φίλτρα κατεύθυνσης δύνανται να ενισχύσουν µόνο τις γραµµικές και όχι τις καµπυλόγραµµες ακµές, ενώ τα φίλτρα παραγώγισης παράγουν χάρτες ακµών ακολουθώντας τη διαδικασία κατωφλίωσης, µε αποτέλεσµα να αναπαριστούν ακµές µε πάχος µεγαλύτερο του ενός εικονοστοιχείου. Συνεπώς, η κατωφλίωση πρέπει να συνοδεύεται από διαδικασία λέπτυνσης των ακµών. Η επιλογή των βέλτιστων αλγορίθµων εξαγωγής ακµών προέκυψε από τους παρακάτω λόγους: 1) την αύξηση του λόγου του σήµατος-προς-θόρυβο µε την αποµάκρυνση των εσφαλµένων ακµών, 2) την επιτυχή ανίχνευση της ακµής, τη σωστή θέση της ακµής και την µοναδικότητα της απόκρισης κάθε ακµής, και 3) την εξαγωγή και των καµπυλόγραµµων ακµών, εκτός των γραµµικών, µε καλή συνεκτικότητα και µήκος ακµής. Εικόνα 4: Χάρτης ακµών από την εφαρµογή του αλγορίθµου των Iverson Zucker στο κανάλι 5 της δορυφορικής εικόνας Landsat-TM για τη Ν. Νίσυρο [11] Εικόνα 5: Χάρτης ακµών από την εφαρµογή του αλγορίθµου Canny στο κανάλι 5 της δορυφορικής εικόνας Landsat-TM για την περιοχή της Βατούσσας, µε παραµέτρους εισόδου σ=3.00, T low =0.50 και T high =0.90 [11]. Στην ενότητα αυτή παραθέτονται δύο ενδεικτικές εφαρµογές των αλγορίθµων εξαγωγής ακµών. Για το σκοπό αυτό επιλέχθηκαν οι αλγόριθµοι των Iverson Zucker και του Canny [10, 11]. Τα αποτελέσµατα από την εφαρµογή των αλγορίθµων αυτών παρουσιάζονται στις Εικόνες 4 και 5, αντίστοιχα, και προέκυψαν από διαδικασία πολλαπλών εµπειρικών δοκιµών. Ο αλγόριθµος του Canny σχεδιάστηκε για την εξαγωγή ιδανικών κλιµακωτών ακµών, τις οποίες εξάγει µε µεγάλη συνέπεια, ενώ ο αλγόριθµος των Iverson Zucker σχεδιάστηκε τόσο για την ανίχνευση γραµµών (ακµών τύπου σκεπής), αλλά και κλιµακωτών ακµών, ενώ παρουσιάζει πιο προβλέψιµη συµπεριφορά στη «γειτονιά» πολλών γραµµών (κυρίως για ακµές συνένωσης τύπου «Τ»), ενώ ο αλγόριθµος του Canny είτε αφήνει µεγάλα κενά (για την ίδια κλίµακα εξαγωγής) ή εξάγει µια οµαλή τοπική καµπύλη. Οι παράµετροι εισόδου των αλγορίθµων είναι η τυπική απόκλιση σ, και τα δύο όρια κατωφλίωσης κατά την υστέρηση (T low και T high ) για τον αλγόριθµο του Canny, και το κατώφλι Τ, ο αριθµός διευθύνσεων ανίχνευσης και οι βαθµοί ελευθερίας για τον αλγόριθµο των Iverson Zucker, αντίστοιχα. Από την αξιολόγηση της Εικόνας 4 προέκυψε ότι ο αλγόριθµος εξήγαγε πολύ καλά την ακτογραµµή της καλδέρας της Νισύρου (µπλε βέλος), ευθύγραµµα τµήµατα ρηγµάτων κατά το 4

5 ακτινωτό πρότυπο (κόκκινο βέλος), και µορφοτεκτονικά ρήγµατα του εσωτερικού της καλδέρας (πράσινο βέλος). Η συνεκτικότητα και το µήκος των ευθύγραµµων τµηµάτων ήταν ικανοποιητικά. Εν τούτοις, παρουσιάστηκαν αρκετά µικρά συνδεδεµένα εικονοστοιχεία των 2-3 ακµών, τα οποία µπορούν να θεωρηθούν «θόρυβος». Από την παρατήρηση της Εικόνας 5, παρατηρήθηκε εξαγωγή καλών ευθύγραµµων και καµπυλόγραµµων τµηµάτων µε ικανοποιητική συνεκτικότητα και µήκος ακµών. Οι «παρασιτικές» ακµές ήταν µεγαλύτερου µήκους από αυτές της Εικόνας 4, και γενικότερα, οι εξαγόµενες ακµές υπέστησαν εξοµάλυνση, γεγονός αναµενόµενο από τη µεγάλη τιµή του σ. 3. ΧΡΗΣΗ ΤΗΣ ΑΝΑΛΥΣΗΣ ΚΥΜΑΤΙ ΙΩΝ ΓΙΑ ΑΝΙΧΝΕΥΣΗ ΑΚΜΩΝ ΣΕ ΤΗΛΕΠΙΣΚΟΠΙΚΑ Ε ΟΜΕΝΑ Οι ακµές εµφανίζονται σε διαφορετικές κλίµακες και µε διαφορετική ένταση στις τηλεπισκοπικές απεικονίσεις. Η ανάλυση κυµατιδίων είναι κατάλληλη για την ανίχνευση ακµών καθώς αποτελεί ανάλυση πολλαπλών κλιµάκων (multiscale), και τοπική ανάλυση [13]. Στο παρόν άρθρο χρησιµοποιείται ένα απλό, αλλά αποτελεσµατικό σχήµα ανίχνευσης ακµών [14] και εφαρµόζεται σε τηλεπισκοπικά δεδοµένα µε θόρυβο. Η Ανάλυση Κυµατιδίων (Wavelet Analysis), αποτελεί νέο ερευνητικό πεδίο και προέκυψε ως εξέλιξη της ανάλυσης Fourier. Αντί των ηµιτονοειδών και συνηµιτονοειδών συναρτήσεων χρησιµοποιεί άλλες συναρτήσεις (κυµατίδια) που ικανοποιούν ορισµένες µαθηµατικές συνθήκες, και µε χρήση της επίθεσης συναρτήσεων αναπαριστά σήµατα και εικόνες [13]. Υιοθετεί µια πρότυπη συνάρτηση, το µητρικό κυµατίδιο (mother wavelet), και πραγµατοποιεί την ανάλυση µε µετατιθέµενες (αλλαγή θέσης) και διεσταλµένες (αλλαγή κλίµακας) µορφές του µητρικού κυµατιδίου. Πρόκειται για τοπική ανάλυση και ανάλυση πολλαπλών κλιµάκων (multiresolution). Σε αντίθεση µε την ανάλυση Fourier διατηρεί τη χωρική πληροφορία και είναι κατάλληλη για την προσέγγιση δεδοµένων µε απότοµες αλλαγές-ασυνέχειες [13]. Επιπλέον, ως ανάλυση πολλαπλών κλιµάκων επεξεργάζεται δεδοµένα σε διαφορετικές κλίµακες. Όσον αφορά στην ανίχνευση ακµών οι Mallat και Zhong [15], δηµιούργησαν ένα νέο φίλτρο ακµών που βασίζεται στο µετασχηµατισµό κυµατιδίων και οι Zang και Bao [14], ένα σχήµα όπως περιγράφεται στη συνέχεια. Η παρούσα εργασία εστιάζει στο σχήµα ανίχνευσης ακµών µε πολλαπλασιασµό κλιµάκων [14], όπου συνδυάζονται, ως συνάρτηση γινοµένου, οι συνιστώσες της ανάλυσης κυµατιδίων (υψηλών συχνοτήτων) δύο γειτονικών κλιµάκων και κατόπιν οι ακµές εντοπίζονται ως τα τοπικά µέγιστα µετά από κατωφλίωση. Το σχήµα πολλαπλασιασµού κλιµάκων εφαρµόστηκε ικανοποιητικά για ανίχνευση ακµών σε εικόνες Radar και Aster (οι οποίες περιλαµβάνουν θόρυβο). Στην Εικόνα παρουσιάζεται ένα µικρό κοµµάτι εικόνας Aster (έγχρωµο σύνθετο µε τα τρία πρώτα κανάλια) της θαλάσσιας περιοχής της Χαλκίδας, όπου καταγράφονται τα θαλάσσια ρεύµατα. Η Εικόνα 9 παρουσιάζει τµήµα εικόνας Radar η οποία απεικονίζει περιοχή της Αττικής (µε θάλασσα και στεριά). Η ανίχνευση ακµών σε µικρές κλίµακες κυµατιδίων (µεγάλη γεωγραφική κλίµακα- ανάλυση) επηρεάζεται από τον θόρυβο (Εικόνα 7 και Εικόνα 10). Παρατηρήθηκε ότι αυξάνοντας το κατώφλι µειώνεται ο θόρυβος αλλά χάνονται και κάποιες σηµαντικές ακµές. Ενώ σε µεγαλύτερες κλίµακες (µικρότερη ανάλυση) οι ακµές προσδιορίζονται αρκετά καλά χωρίς να επηρεάζονται από τον θόρυβο (Εικόνα 8 και Εικόνα 11). Επιπλέον ο προσδιορισµός της θέσης των ακµών είναι αρκετά καλός, και δεν επηρεάζεται από την αλλαγή κλίµακας διότι αντλείται πληροφορία από δύο κλίµακες. 5

6 Εικόνα 6: Τµήµα εικόνας Aster (έγχρωµο σύνθετο-321) Εικόνα 7: Ανίχνευση ακµών στην Εικόνα (κλίµακες 1-2) Εικόνα 8: Ανίχνευση ακµών στην Εικόνα (κλίµακες 2-3) Εικόνα 9: Τµήµα εικόνας Radar (IRS-1) Εικόνα 10: Ανίχνευση ακµών στην Εικόνα (κλίµακες 1-2) Εικόνα 11: Ανίχνευση ακµών στην Εικόνα (κλίµακες 2-3) 4. ΚΑΤΑΤΜΗΣΗ ΚΑΙ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ ΓΕΩΜΟΡΦΩΝ ΚΑΙ ΑΣΤΙΚΩΝ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ Για υψηλής χωρικής ανάλυσης πολυφασµατικές εικόνες τηλεπισκόπησης, και όχι µόνο, έχει παρατηρηθεί πρόσφατα τάση για µετάβαση από την συνήθη ταξινόµηση εικονοστοιχείων στην ταξινόµηση πρωτογενών αντικειµένων τα οποία έχουν προκύψει από χαµηλού επιπέδου επεξεργασίες κατάτµησης. Λόγω της µεγάλης χρησιµότητας της κατάτµησης εικόνων σε εφαρµογές όρασης υπολογιστών, έχει παρουσιαστεί πληθώρα αλγορίθµων. Κατάτµηση εικόνων επιτυγχάνεται µε αλγορίθµους συνένωσης περιοχών, αύξησης περιοχών, διαχωρισµού και συνένωσης, µορφολογικού υδροκρίτη και κυµατιδίων που συχνά λαµβάνουν υπόψη την υφή και το σχήµα των πρωτογενών αντικειµένων [16]. Για την ταξινόµηση των πρωτογενών αντικειµένων που φέρουν κάποιες ιδιότητες (φασµατικές, τοπολογικές, ιεραρχικές) συντάσσονται κανόνες και υλοποιούνται βάσεις γνώσης, οι οποίες αναλαµβάνουν την ταξινόµηση τους. Η διαδικασία στηρίζεται σε τεχνικές και µεθόδους τεχνητής ευφυΐας, όπως τα έµπειρα συστήµατα ή τα νευρωνικά δίκτυα. Έχουν γίνει πολλές προσπάθειες τα τελευταία χρόνια για την υλοποίηση συστηµάτων µε βάση τη γνώση για την αναγνώριση κατηγοριών χρήσης γης ή για την αναγνώριση προτύπων σε τηλεπισκοπικά δεδοµένα. Μια µέθοδος αύξησης περιοχών, εφαρµόστηκε πρόσφατα [17] και είχε στόχο την αυτόµατη εξαγωγή γεωµορφολογικών χαρακτηριστικών από Ψηφιακό Μοντέλο Εδάφους (ΨΜΕ). 6

7 Στο πρόσφατο παρελθόν εφαρµόστηκε αλγόριθµος συνένωσης περιοχών σε τηλεπισκοπικά δεδοµένα ASTER και Ψηφιακό Μοντέλο Εδάφους για την οριοθέτηση αλουβιακών ριπιδίων [18]. Εφαρµόστηκε µια τεχνική κατάτµησης πολλαπλής ανάλυσης του ΨΜΕ και της εικόνας ASTER που έδωσε πρωτογενή αντικείµενα σε τέσσερα επίπεδα. Πραγµατοποιήθηκε ασαφής ταξινόµηση µε βάση γνώσης η οποία εµπλουτίστηκε µε ευρετικούς κανόνες που αφορούσαν κυρίως σηµασιολογική πληροφορία γειτνίασης και σχέσης αντικειµένων µε το περιβάλλον. Τέλος, πραγµατοποιήθηκε µια τελική προβολή ταξινόµησης, χωρίζοντας τα αντικείµενα του επιπέδου σε δυο τελικές κατηγορίες: Αλουβιακά Ριπίδια και Λοιπά Αντικείµενα. Εικόνα 12: Αριστερά η αρχική εικόνα ASTER. Στο κέντρο η κατάτµηση της εικόνας ASTER µε τεχνική συνένωσης περιοχών και δεξιά το αποτέλεσµα ασαφούς ταξινόµησης αλουβιακών ριπιδίων (µε γκρι χρώµα) Αλγόριθµος συνένωσης περιοχών χρησιµοποιήθηκε προσφάτως στα πλαίσια µελέτης αντικειµενοστραφούς ανάλυσης εικόνας για την ταξινόµηση χρήσεων γης από τηλεπισκοπικά δεδοµένα IKONOS και υψοµετρικά δεδοµένα LIDAR από αεροµεταφερόµενο σαρωτή για αµιγή αστικό χώρο. Για την υλοποίηση της µελέτης, τα ψηφιακά δεδοµένα κατατµήθηκαν µε την βοήθεια ενός αλγορίθµου πολλαπλής ανάλυσης [19] σε 4 επίπεδα µετά από αλλεπάλληλες δοκιµές για την επιλογή των συντελεστών τόνου και σχήµατος. Μετά την λήψη των πρωτογενών αντικειµένων από την κατάτµηση σε πολλαπλά επίπεδα, πραγµατοποιήθηκε ασαφής ταξινόµηση µε τη χρήση κανόνων και βάσεων γνώσης. Στην ταξινόµηση των διαφόρων επιπέδων ελήφθησαν υπόψη σχέσεις γειτνίασης και τοπολογίας µεταξύ επιπέδων ώστε να λυθούν προβλήµατα λαθών ταξινόµησης που µπορούσαν να αντιµετωπιστούν µε ευρετικούς κανόνες. Εικόνα 13: Αριστερά: Η κατάτµηση της εικόνας µε τη βοήθεια των υψοµετρικών δεδοµένων. Κέντρο: Η ασαφής ταξινόµηση χρήσεων γης. εξιά: Η ιεραρχία κατηγοριών που χρησιµοποιήθηκε στην ταξινόµηση. 7

8 5. ΑΛΓΟΡΙΘΜΟΙ ΕΞΑΓΩΓΗΣ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΑΠΟ ΥΠΕΡΦΑΣΜΑΤΙΚΑ Ε ΟΜΕΝΑ Όταν το µέγεθος των δειγµάτων εκπαίδευσης είναι µικρό σε σχέση µε τη διανυσµατική διάσταση του χώρου όπου θα γίνει η ταξινόµηση, όπως συµβαίνει στη περίπτωση των υπερφασµατικών δεδοµένων, οι δειγµατικές εκτιµήσεις του πίνακα συµµεταβλητότητας είναι ευµετάβλητες και συνεπώς ο αλγόριθµος ταξινόµησης γίνεται ασταθής [20]. Για το λόγο αυτό πρέπει να µειωθεί η διάσταση του διανυσµατικού χώρου προτύπων όπου θα γίνει η ταξινόµηση. Στην εργασία αυτή εφαρµόστηκαν αλγόριθµοι εξαγωγής χαρακτηριστικών οι οποίοι µετασχηµατίζουν τα αρχικά δεδοµένα σε νέα µε σκοπό να αυξήσουν την ακρίβεια ταξινόµησης λαµβάνοντας υπόψη τη πληροφορία που περιέχουν τα δείγµατα εκπαίδευσης. Οι αλγόριθµοι αυτοί είναι η Εξαγωγή Χαρακτηριστικών Με ιαχωριστικές Επιφάνειες και η Εξαγωγή Χαρακτηριστικών Με ιακριτή Ανάλυση [21]. Οι παραπάνω αλγόριθµοι εξαγωγής χαρακτηριστικών εφαρµόστηκαν σε µία υπερφασµατική τηλεπισκοπική εικόνα AVIRIS (Εικόνα 14). Σκοπός της ανάλυσης ήταν ο εντοπισµός των διαφόρων καλλιεργειών αλλά και των σταδίων ανάπτυξης στα οποία βρίσκονται οι καλλιέργειες αυτές. Η ανάλυση των δεδοµένων έγινε στο πακέτο Multispec [22]. To σύνολο των δειγµάτων εκπαίδευσης παρουσιάζονται στην Εικόνα 14. Αφού υπολογίστηκαν η µέση τιµή και ο πίνακας συµµεταβλητότητας για κάθε τάξη προέκυψαν η µετασχηµατισµένη µε τη µέθοδο των διαχωριστικών επιφανειών εικόνα, η µετασχηµατισµένη µε τη µέθοδο της διακριτής ανάλυσης εικόνα και η µετασχηµατισµένη µε τη µέθοδο των κυρίων συνιστωσών εικόνα, οι οποίες ταξινοµήθηκαν µε τον αλγόριθµο της µεγίστης πιθανοφάνειας και τα αποτελέσµατα παρουσιάζονται στις εικόνες 14γ και 15α,β,γ αντίστοιχα. Από ποιοτική ερµηνεία των παραπάνω ταξινοµήσεων προκύπτει ότι στο διαχωρισµό τάξεων µε παρόµοιες στατιστικές παραµέτρους (καλλιέργεια σόγιας τύπου 1 και 2) η ταξινόµηση τόσο της αρχικής εικόνας όσο και της µετασχηµατισµένης µε τη µέθοδο PCA έδωσε ασαφή αποτελέσµατα ενώ στις µετασχηµατισµένες µε τη µέθοδο των διαχωριστικών επιφανειών και µε τη µέθοδο της διακριτής ανάλυσης οι κατηγορίες αυτές είναι σαφώς διαχωρισµένες. Στη περίπτωση τάξεων µε αρκετά διαφοροποιηµένες στατιστικές παραµέτρους (βοσκότοποι δέντρα) η ταξινόµηση όλων των εικόνων έδωσε σε µεγάλο ποσοστό ίδια αποτελέσµατα. Από τις ακρίβειες ταξινόµησης των παραπάνω µεθόδων προκύπτει ότι στη περίπτωση των αρχικών δεδοµένων η ακρίβεια ταξινόµησης είναι 56,7%, για τα µετασχηµατισµένα µε τη µέθοδο PCA 56,2% ενώ για τα µετασχηµατισµένα µε τη µέθοδο των διαχωριστικών επιφανειών 88,9% και για τα µετασχηµατισµένα µε τη µέθοδο της διακριτής ανάλυσης 86,5%. α β γ Εικόνα 14: α) η αρχική υπερφασµατική εικόνα RGB 50,27,17, β) τα δεδοµένα εκπαίδευσης και γ) η ταξινόµηση της µεγίστης πιθανοφάνειας 8

9 α β γ Εικόνα 15: Ταξινόµηση µε τη µέθοδο της µεγίστης πιθανοφάνειας της µετασχηµατισµένης µε τη µέθοδο α) των κυρίων συνιστωσών εικόνας β) των διαχωριστικών επιφανειών γ) της διακριτής ανάλυσης. Οι τάξεις των ταξινοµήσεων και η αντίστοιχη χρωµατική απεικόνιση είναι : καλλιέργεια από καλαµπόκι τύπου 1, καλλιέργεια από καλαµπόκι τύπου 2, καλλιέργεια από σόγια τύπου 1, καλλιέργεια από σόγια τύπου 2, βλάστηση βοσκότοποι και βλάστηση δένδρα. 6. ΣΥΜΠΕΡΑΣΜΑΤΑ Η ανισοτροπική διάχυση χρησιµοποιήθηκε για την ενίσχυση ζητούµενων χαρακτηριστικών στις τηλεπισκοπικές εικόνες, βοηθώντας συγκεκριµένους ανιχνευτές ακµών να εντοπίσουν σωστά τις ακµές στην εικόνα, χωρίς να µπερδευτούν από το θόρυβο. Η ανισοτροπική διάχυση µπορεί να χρησιµοποιηθεί και για την υποστήριξη τεχνικών κατάτµησης κατά τον εντοπισµό των οµογενών περιοχών, µιας και είναι αυτές που κατά την διάρκεια της ανισοτροπικής διάχυσης υφίστανται την οµαλοποίηση. Οι βέλτιστοι αλγόριθµοι ανίχνευσης ακµών που εφαρµόστηκαν για χαρτογράφηση φωτογραµµώσεων παρείχαν ικανοποιητικά αποτελέσµατα αναφορικά µε την ακρίβεια εντοπισµού θέσης των ακµών, την ευαισθησία ανίχνευσης τους, τη συνεκτικότητα και την «ερµηνευτικότητα» τους. Το στηριζόµενο στην κυµατιδιακή ανάλυση σχήµα πολλαπλασιασµού κλιµάκων έδωσε ικανοποιητικά αποτελέσµατα στην ανίχνευση ακµών από τηλεπισκοπικά δεδοµένα µε θόρυβο. Ανίχνευσε ικανοποιητικά τις σηµαντικότερες ακµές, χωρίς να επηρεάζεται από το θόρυβο, και χωρίς να προκαλεί παραµόρφωση στο σχήµα και στη θέση των ακµών. Οι διάφοροι αλγόριθµοι κατάτµησης εικόνας που δοκιµάστηκαν στην παρούσα εργασία, παρουσίασαν επιτυχή αποτελέσµατα για τις διάφορες εφαρµογές τους σε τηλεπισκοπικά δεδοµένα και προβλήµατα. Η αντικειµενοστραφής ανάλυση εικόνας παρείχε ικανοποιητικά αποτελέσµατα στην χαρτογράφηση αλουβιακών ριπιδίων και χαρακτηριστικών του αστικού χώρου. Οι µέθοδοι των διαχωριστικών επιφανειών, και της διακριτής ανάλυσης όπως εφαρµόστηκαν, απεδείχθησαν να υπερτερούν των κλασικών µεθόδων (PCA) και να είναι αναγκαίες πριν την ταξινόµηση των υπερφασµατικών δεδοµένων AVIRIS. 7. ΒΙΒΛΙΟΓΡΑΦΙΑ 1. D. Marr, E. Hildreth (1980) Theory of edge detection, Proc. Roy. Soc. London. 2. A. P. Witkin (1983) Scale-space filtering. In Proceedings of the Eighth International Joint Confe`rence on Artificial Intelligence, pages , Perona P. and Malik J., (1990) Scale space and edge detection using anisotropic diffusion, IEEE Trans. Pattern Anal. Mach. Intell., Vol 12, pp

10 4. M. J. Black and G. Sapiro, (1998) Robust Anisotropic Diffusion Filtering, IEEE Transactions on Image Processing, Vol. 7, no Karantzalos K., (2003) Combining Anisotropic Diffusion and Alternating Sequential Filtering for Satellite Image Enhancement and Smoothing, Proceedings International Conference of Image and Signal Processing for Remote Sensing IX, SPIE, Barcelona, Spain. 6. Alvarez L., Lions P. L., and Morel J. M., (1992) Image selective smoothing and edge detection by nonlinear diffusion. II, SIAM-JNA, vol. 29, pp Karantzalos K., Argialas D. (2004) "Towards Automatic Olive Tree Extraction from Satellite Imagery" Proceedings ISPRS XX Congress, Istanbul, Turkey. 8. Ziou, D. and S. Tabbone (1997), Edge Detection Techniques An Overview, Technical Report No. 195, Département de Math et Informatique, Université de Sherbrooke, Québec, Canada, pp Iverson, L. A. and S. W. Zucker (1995), Logical / linear operators for image curves, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 17, pp D. P. Argialas and O. D. Mavrantza (2004), Comparison Of Edge Detection And Hough Transform Techniques In Extraction Of Geologic Features, Proc. XX th ISPRS Congress,, Vol. IAPRS-XXXV, Istanbul, Turkey, Mavrantza, O. D. and D. P. Argialas (2003), Quantitative evaluation of edge detection techniques in automated lineament mapping for a volcanic geotectonic environment, Proc Tyrrhenian International Workshop on Remote Sensing (ed. Dalle Messe), Elba Island, Italy, Meer, P. and B. Georgescu (2001), Edge detection with embedded confidence IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, pp Li J. (2003) A Wavelet Approach to Edge Detection, Thesis for the Master of Science in Mathematics, Sam Houston State University, Huntsville, Texas, 70p 14. Zang, L. and Bao P. (2002) Edge Detection by Scale Multiplication in Wavelet Domain Pattern Recognition Letters, Vol 23, pp Mallat, S. and S. Zhong (1992) Characterization of Signals from Multiscale Edges, IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol 14(7), pp Sonka M., Hlavac V., Boyle R. (1999). Image Processing, Analysis, and Machine Vision, 2 nd edition, ISBN X. 17. Miliaresis, G.Ch., and D.P. Argialas, (1999). Segmentation of Physiographic Features from the Global Digital Elevation Model / GTOPO30. Computers & Geosciences, Vol. 25, No. 7, pp Argialas D. P., A. Tzotsos, (2004). Automatic Extraction of Aluvial Fans from Aster L1 Satellite Data and a Digital Elevation Model Using Object-Oriented Image Analysis, in XXth ISPRS Congress, July 2004 Istanbul, Turkey - Commission 7. Proceedings available at Baatz M. and Schäpe A., (2000). Multiresolution Segmentation an optimization approach for high quality multi-scale image segmentation. Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT-Symposium Salzburg 2000, Karlsruhe, Herbert Wichmann Verlag: pp Fukunaga Κ. (1990) Ιntroduction to Statistical Pattern Recognition 2 nd Edition, Academic Press Professional, Inc. 21. Lee C. & Lagrebe D (2004). Feature Extraction & Classification Algorithms For High Dimensional Data, School Of Electrical Engineering-Purdue University ( MultiSpec/documentation.html). 22. Biehl L. & Lagrebe D. (2004): An Introduction To Multispec, School Of Electrical Engineering Purdue University ( 10